设备故障诊断

摘要： 2020年,微特技术有限公司(以下简称微特技术)正式被认定为国家重点专精特新小巨人企业。微特技术用20年时间,从一个小微企业,成长为国内大型起重机安全解决方案的首选品牌。“专精特新”四个字凝结着微特人追求产业之专、品质之精、创新之特的不懈努力。20年来,微特技术笃定信念,始终专注于起重设备安全管理领域的研究,不断引领行业向起重设备故障诊断、大数据管理、全生命周期监测服务、智能化吊装生态系统方向发展,为推动国内起重安全管理领域的发展做出了贡献。

摘要： 汽轮机作为一种动力机器,常用来为机械设备、泵、压缩机等提供运行原动力。除此之外,汽轮机还能够利用其排气功能提供生活热能。从现阶段电力发展趋势来看,我国的汽轮机的应用已经渗透到工业、生活领域的各个方面。一旦汽轮机发生严重故障,将会对整个工业系统造成不可估量的影响。因此,本文从汽轮震动以及油系统入手,分析可能发生的设备故障类型,并相应地提出解决以及预防对策,以供参考。

摘要： 在纸机设备维护中,纸机烘缸传动齿轮由于其特殊的设计结构及安装形式,使得设备维护人员在平时的日常巡检中难以及时发现齿轮的故障隐患,易造成对故障的漏判、误判。本文站在振动分析的角度上,结合设备故障诊断技术说明如何通过齿轮的振动趋势及其振动数据的深入分析来科学诊断纸机烘缸传动齿轮的故障。

摘要： 2020年,国家工信部公布第二批专精特新小巨人企业名单,微特技术有限公司正式认定为国家重点专精特新小巨人企业。微特用二十年时间,从一个弱小的新生命,成长为国内大型起重机安全解决方案的首选品牌。"专精特新"四字凝结着微特人追求产业之专、品质之精、创新之特的不懈努力。20年来,微特技术在聂道静和高钰敏两位创始人的带领下,笃定信念,始终专注于起重设备安全管理领域的研究,引领行业向起重设备故障诊断、大数据管理、全生命周期监测服务、智能化吊装生态系统方向发展,为推动国内起重安全管理领域的发展做出了贡献。本期《起重运输机械》采访到微特技术有限公司创始人高钰敏先生。让我们随高先生一起了解起重设备安全管理领域伴随微特成长的故事。

摘要： 汽轮机是当前工业领域应用最广泛的原动机之一,具有操作简单、效率高、使用性能优异的特点,能够充分适应工业领域生产制造的切实需要。在当前工业快速发展的大前提下,汽轮机作为生产制造过程中的重要设备,一旦出现严重故障,将会导致整个工业生产流程严重瘫痪,难以维持正常的生产要求。因此,探析汽轮机故障的解决方法是保证工业生产的重要手段,对其故障分析以及故障预防方法的研究也势在必行。基于此,本文主要对汽轮机设备故障进行了简单的探讨,并提出了相关的预防策略。以期能够为相关人员提供参考。

摘要： 部分工业生产工艺具有生产工序长、使用设备多、设备机理复杂等特点,特殊的工艺运行环境进一步加剧了设备故障率和故障危害性。以轧钢工艺中的多传感设备粗轧机作为研究对象,设计了基于多尺度卷积神经网络(CNN)模型的有监督学习算法,研究与比选了LOF、K-means、GMM、SO-GAAL、MO-GAAL等无监督学习算法。研究发现:1)将多尺度CNN模型应用于粗轧机原始数据,测试集的准确率高达99.91%,但损失函数数值较大;2)无监督学习算法通过二元分类处理评价设备故障诊断性能,其中MO-GAAL算法的二元分类指标均在98%以上,AUC值高达0.99,在五种算法中效果最好。结合两类算法优势,构建并探析了算法融合策略,为粗轧机故障诊断的不同场景提供了进一步的解决方案。

摘要： 铁路机车的设备稳定是机车正常运行的关键,针对目前机车设备检修工作量大、效率低,无法对运行中的列车设备进行在线实时监测的现状,提出了一种新的铁路机车设备故障诊断系统.通过嵌入式的车载数据诊断系统、高速无线数据传输系统等,实现了对铁路机车设备运行状态的实时监测和故障报警.根据实际应用表明,该技术能够实现对列车运行时的在线数据监测和处理,可以将故障率降低99.6％,显著提升铁路机车运行的安全性.

摘要： 为了提高设备故障诊断的性能,采用k-means聚类算法建立设备故障诊断模型,并根据聚类类别数设定多个聚类中心坐标.将待聚类样本点与中心点距离值作为类判别依据,并以此作为适应度函数.考虑到k-means处理大规模数据样本时存在精度不高的缺点,引入人工鱼群算法对其初始中心点进行优化选择,直到达到最大迭代次数或者最低聚类精确度阈值,从而获得稳定的设备故障诊断模型.实验证明,通过合理设置人工鱼群视野值,能够获得较好的聚类性能,相比于常见设备故障诊断算法,该算法的设备故障诊断准确度高,且标准差小,在设备故障诊断方面适用度高.

摘要： 针对二维最大累间方差(Nobuyuki OTSU,OTSU)图像分割算法在电气设备故障诊断与定位中,其红外图像的多阈值分割中存在的耗时多、分割精度低、误分割等不足,造成故障区域欠分割或者过分割的问题,提出一种改进的萤火虫算法(glowworm swarm optimization,GSO)与二维OTSU的融合算法来提高电气设备红外图像多阈值分割的实时性与准确度.寻优过程中,将局部寻优扩展到全局寻优,并引入非线性递减步长及新的移动策略对GSO进行优化改进.实验结果表明:该融合算法在分割结果上较二维OTSU及未改进GSO与二维OTSU融合算法更能准确分割运行电气设备图像异常区域,分割速度分别提高19倍、1.28倍,为红外图像早期故障的有效识别与定位奠定基础.

摘要： 以数据深度利用和单机智能感知为特征的智能调控技术是未来新能源调控运行的核心领域,尤其在挖掘新能源消纳潜力方面,数据将发挥越来越重要的作用.在分析新能源数据应用特征的基础上,以提升新能源消纳为目标,提出了涵盖智能感知、数据融合与处理以及消纳全过程分析的新能源智能调控体系架构,并从数据校验与处理、资源评估与预测、受阻电量图谱解析、设备运行评价与智能诊断等方面介绍了新能源单机数据在消纳提升应用方面的关键技术.通过数据驱动的新能源消纳全过程分析,实现新能源调控智能化转型,提升新能源的管控能力和消纳水平.

摘要： 某大型设备故障诊断系统需要对大量参数进行实时检测监控,而该设备空间紧凑,对工作状态的要求比较严格,为保证系统诊断的性能,必须传感器的布局进行优化。本文在分析设备结构特点基础上,提出一种基于伯德灵敏度函数(BSF)的传感器布局优化方法,以获取系统最大故障信息为目标,设计了该大型设备的传感器优化配置方案,为保证故障诊断系统的监测和诊断性能提供基础。

摘要： 本文通过具体事例论述了应用简易振动故障频谱分析仪器,分析确定转动设备振动故障的原因,提出在没有振动数据采集和精密频谱分析仪器的条件下,如何最大限度地利用简易振动诊断分析仪器,开展精密振动故障诊断的方法.

摘要： 本文以设备故障诊断为基础,从发电机转子结构出发,分析了转子回路故障表现形式和故障机理.结合伊敏发电厂＃2发电机转子匝间短路在线监测装置的实际应用,阐述了发电机转子在线监测的重要性。

摘要： 现代机械设备发展的一个明显趋势是向大型化、高速化、连续化和自动化发展.如何保证设备的正常运行,避免突发性设备事故造成的损失,设备故障诊断是非常有效的手段.滚动轴承是机械设备中最常见的零部件,其运行状态直接影响到整台机器的功能,着重介绍了时域指标、解调分析在滚动轴承故障诊断中的应用。

摘要： 为有效识别频谱密集型的设备故障,根据复调制谱细化理论,提出一种具有自适应调整细化参数的细化谱算法,详细讨论了最大细化倍数,FIR低通滤波器的阶数、截止频率等主要参数的确定原则与方法。应用Labview环境对算法进行了仿真分析,结果表明,该方法与传统的FFT相比具有频率分辨精度高、稳定性好、受噪音影响小的特点,适合于频谱密集型的应用,对在线设备的振动分析与诊断有一定的应用价值。

摘要： 为有效识别频谱密集型的设备故障,根据复调制谱细化理论,提出一种具有自适应调整细化参数的细化谱算法,详细讨论了最大细化倍数,FIR低通滤波器的阶数、截止频率等主要参数的确定原则与方法。应用Labview环境对算法进行了仿真分析,结果表明,该方法与传统的FFT相比具有频率分辨精度高、稳定性好、受噪音影响小的特点,适合于频谱密集型的应用,对在线设备的振动分析与诊断有一定的应用价值。

摘要： 为有效识别频谱密集型的设备故障,根据复调制谱细化理论,提出一种具有自适应调整细化参数的细化谱算法,详细讨论了最大细化倍数,FIR低通滤波器的阶数、截止频率等主要参数的确定原则与方法。应用Labview环境对算法进行了仿真分析,结果表明,该方法与传统的FFT相比具有频率分辨精度高、稳定性好、受噪音影响小的特点,适合于频谱密集型的应用,对在线设备的振动分析与诊断有一定的应用价值。

摘要： 为有效识别频谱密集型的设备故障,根据复调制谱细化理论,提出一种具有自适应调整细化参数的细化谱算法,详细讨论了最大细化倍数,FIR低通滤波器的阶数、截止频率等主要参数的确定原则与方法。应用Labview环境对算法进行了仿真分析,结果表明,该方法与传统的FFT相比具有频率分辨精度高、稳定性好、受噪音影响小的特点,适合于频谱密集型的应用,对在线设备的振动分析与诊断有一定的应用价值。

摘要： 为有效识别频谱密集型的设备故障,根据复调制谱细化理论,提出一种具有自适应调整细化参数的细化谱算法,详细讨论了最大细化倍数,FIR低通滤波器的阶数、截止频率等主要参数的确定原则与方法。应用Labview环境对算法进行了仿真分析,结果表明,该方法与传统的FFT相比具有频率分辨精度高、稳定性好、受噪音影响小的特点,适合于频谱密集型的应用,对在线设备的振动分析与诊断有一定的应用价值。

摘要： 为有效识别频谱密集型的设备故障,根据复调制谱细化理论,提出一种具有自适应调整细化参数的细化谱算法,详细讨论了最大细化倍数,FIR低通滤波器的阶数、截止频率等主要参数的确定原则与方法。应用Labview环境对算法进行了仿真分析,结果表明,该方法与传统的FFT相比具有频率分辨精度高、稳定性好、受噪音影响小的特点,适合于频谱密集型的应用,对在线设备的振动分析与诊断有一定的应用价值。

摘要： 故障诊断装置具备：通信部，取得传感器单元所取得的用于进行家电设备的故障诊断的第1物理量数据及与第1物理量数据不同种类的第2物理量数据、及家电设备所取得的与第2物理量数据有关的第1控制信息；数据比较部，比较第2物理量数据与第1控制信息；以及合格性判定部，基于数据比较部的比较结果，判定第1物理量数据作为用于故障诊断的数据是否合格，由此，能够提供能使家电设备的故障诊断的精度提高的故障诊断装置。

摘要： 本申请公开了一种设备的故障诊断方法及故障诊断设备，包括：故障诊断设备首先向待检测设备的输入端的第一接口发送第一检测信号，当故障诊断设备接收到待检测设备的输出端返回的第二检测信号时，根据第二检测信号确定返回第二检测信号的第二接口，该第二检测信号是由第一检测信号经过待检测设备传输或处理得到的。故障诊断设备基于自身保存的对应关系、待检测设备的第一接口和第二接口对待检测设备进行故障诊断，该对应关系为待检测设备的输入端的接口和输出端的接口之间的对应关系。通过本申请提供的故障诊断方法，基于待检测设备接收和传输检测信号的接口，以及传输的检测信号进行故障诊断，满足待检测设备多种功能的故障诊断需求。

摘要： 本发明公开了一种智能变电站二次设备综合故障诊断仪及故障诊断方法，属于智能化变电站技术领域，所述故障诊断仪为便携式机箱结构，包括硬件系统，所述硬件系统包括实现人机交互的上位机模块、对二次设备进行信号采集的信号采集模块和给系统供电的电源模块；所述故障诊断方法包括导入SCD文件、建立运行模型；采集过程层设备数据；采集交换机数据；进行故障诊断并输出。本发明针通过诊断智能变电站二次设备硬件模块故障与软件故障，定位物理链路正常连接段链路，便于现场运维人员能够及时对整个二次设备运行状态及物理链路进行故障判断。

摘要： 本发明涉及工程机械技术领域，具体涉及故障诊断模型的训练、故障诊断方法及电子设备，该训练方法包括获取发动机的样本数据，所述样本数据包括故障前预设时间段内的第一数据以及正常运行时的第二数据；对各个样本数据进行预设时间单元的划分，得到时间序列；分别对各个时间序列进行至少两种时序特征的提取，得到各个样本数据的第一时序特征；基于第一时序特征中的各种时序特征的特征值大小进行预设比例的提取，得到各个样本数据的第二时序特征；基于第一时序特征以及第二时序特征形成样本时序特征；根据样本时序特征训练初始故障诊断模型，确定目标故障诊断模型。通过该方法形成的样本时序特征训练得到的目标故障诊断模型具有较高的准确性。

摘要： 本发明实施例涉及故障诊断技术领域，公开了一种电气设备故障诊断模型训练方法和电气设备故障诊断方法。上述电气设备故障诊断模型训练方法包括：采集电气设备在不同运行状态下的声音信号、振动信号和红外图像；对振动信号和声音信号进行降噪分解处理，得到振动信号的第一特征量和声音信号的第二特征量；对红外图像进行小波分解，得到红外图像的第三特征量；将第一特征量、第二特征量和第三特征量进行融合，得到特征向量，并基于特征向量构建多维样本数据集；基于多维样本数据集，训练电气设备故障诊断模型。上述方法能够提高电气设备故障诊断模型识别的准确率。

摘要： 一种电子设备故障诊断系统，其包括电子设备以及故障诊断设备。所述电子设备包括：供电装置、保护电路、主电路以及电压记录装置。所述供电装置包括第一供电模块及第二供电模块；所述保护电路、主电路均与第一供电模块并联，所述电压记录装置并联在所述主电路两端，所述第二供电模块向电压记录装置提供电压。所述电压记录装置包括：收集模块，其用于收集所述主电路的多个电压；存储模块，其用于存储所收集到的多个电压。所述故障诊断设备包括：读取模块，用于读取所存储的多个电压；拟合模块，用于将所述多个电压拟合为一曲线；诊断模块，其用于根据所述曲线的变化规律，诊断电子设备的故障。本发明还提供一种电子设备及故障诊断设备。

摘要： 本公开内容涉及一种设备故障诊断装置、设备故障诊断方法、智能工厂系统和应用代理，其被配置为基于存储在数据库中的正常信号数据生成虚拟异常信号，基于虚拟异常信号的虚拟异常信号数据判定设备信号是否是异常信号，并输出判定结果信息。因此，即使在标记数据不存在或不足的情况下，本公开内容也可以快速且准确地诊断工厂中的设备故障。

摘要： 本发明提供了一种设备故障诊断模型构建及设备故障诊断方法、装置，其中设备故障诊断模型构建方法包括：获取待诊断设备的故障数据集，故障数据集包括多种故障类型以及每一种故障类型对应的多个历史故障录波数据；利用待诊断设备的故障数据集对预设设备故障诊断模型进行训练直至满足预设训练条件，得到目标设备的故障诊断模型。本发明解决现有技术中人工分析和诊断耗时长、效果差、易产生误判漏判的技术问题。

摘要： 本发明实施例涉及故障诊断技术领域，公开了一种电气设备故障诊断模型训练方法和电气设备故障诊断方法。上述电气设备故障诊断模型训练方法包括：采集电气设备在不同运行状态下的声音信号、振动信号和红外图像；对振动信号和声音信号进行降噪分解处理，得到振动信号的第一特征量和声音信号的第二特征量；对红外图像进行小波分解，得到红外图像的第三特征量；将第一特征量、第二特征量和第三特征量进行融合，得到特征向量，并基于特征向量构建多维样本数据集；基于多维样本数据集，训练电气设备故障诊断模型。上述方法能够提高电气设备故障诊断模型识别的准确率。

摘要： 本发明实施例涉及一种设备故障诊断系统及故障诊断方法，该系统包括：数据采样芯片通过每一个数据采集通道采集待监测设备中与数据采集通道电连接的监测位置的工作数据；当确定第一监测位置的工作数据发生异常时，生成与第一监测位置对应的中断信号；将中断信号传输至第一存储器；第一存储器在接收到中断信号的时刻开始，存储预设时间段内的第一监测位置的工作数据至预设位置；处理器周期性的轮询数据采样芯片，当确定数据采样芯片生成中断信号后，从预设位置读取工作数据；根据预设位置，确定发生故障的监测位置；以及根据工作数据，生成预设的显示图像。该方式，可以确定发生故障的监测位置以及发生故障的原因的同时，提高问题定位解决的时效性。